基于组合深度学习的快速路车道级速度预测研究

作者：谷远利^*; 陆文琦; 李萌; 王硕; 邵壮壮

来源：交通运输系统工程与信息, 2019, 19(04): 79-86.

DOI：10.16097/j.cnki.1009-6744.2019.04.012

• 城市交通
• 速度预测
• 深度学习
• 交通流
• 时空特征

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.

• 单位
  北京交通大学; 东南大学